
# импорт необходимых библиотек
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import json


from plotly import graph_objects as go
from plotly import express as px
from folium import Map, Marker, Choropleth, CircleMarker
from folium.plugins import MarkerCluster
from geopy.distance import geodesic


# чтение файла
try: 
    places = pd.read_csv('moscow_places.csv')
except:
    places = pd.read_csv('https://code.s3.yandex.net/datasets/moscow_places.csv')


# функция с обзором данных
def first_view(df):
    raw_shape_df = df.shape
    display(df.head(3))
    display(df.info())
    print(f'Размер датасета: {raw_shape_df}')
    print(f'Всего дубликатов: {df.duplicated().sum()}')
    
    cols = []
    nans = []
    pnans = []
    
    if df.isna().sum().sum() == 0:
        print('Пропущенных значений не обнаружено')
    else:
        for i in df.columns:
            if df[i].isna().sum() != 0:
                cols.append(i)
                nans.append(df[i].isna().sum())
                pnans.append(df[i].isna().sum() / df.shape[0] * 100)
                
    if len(cols) != 0:
        print('\n')
        print('Пропущенные значения по столбцам:')
        display(
            pd.DataFrame(
            {
                'column_name': cols, 
                'number_of_na': nans, 
                'percent_of_na': pnans
            }
            ).style.format({'percent_of_na': '{:.2f}%'}).background_gradient()
        )
    return raw_shape_df


# вызываем функцию обзора данных и создаем переменную с размером датасета
raw_shape = first_view(places)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

None

Размер датасета: (8406, 14)
Всего дубликатов: 0


Пропущенные значения по столбцам:


# приводим название и адрес к нижнему регистру, меняем ё на е
places.name = places.name.str.lower().str.replace('ё', 'е') 
places.address = places.address.str.lower().str.replace('ё', 'е')

# количество дубликатов по названию и адресу
places[['name', 'address']].duplicated().sum()

4


print(f'Всего представленны данные о {places.name.nunique()} уникальных заведениях.')

Всего представленны данные о 5506 уникальных заведениях.


# процент дубликатов от общего количества уникальных заведений
round(places[['name', 'address']].duplicated().sum() / places.name.nunique() * 100, 2)

0.07


# удалим дубликаты
places.drop_duplicates(subset=['name', 'address'], inplace=True)


# процент удаленных данных
round(100 - places.shape[0] / raw_shape[0] * 100, 2)

0.05


# столбец с названиями улиц
places['street'] = places.address.apply(lambda x: x.split(', ')[1])


# столбец с обозначением, что заведение работает ежедневно и круглосуточно
places['is_24_7'] = places.hours.str.contains('ежедневно, круглосуточно')


places.category.nunique()

8


places.category.unique()

array(['кафе', 'ресторан', 'кофейня', 'пиццерия', 'бар,паб',
       'быстрое питание', 'булочная', 'столовая'], dtype=object)


categories = (
    places
    .pivot_table(index='category', values='name', aggfunc='count')
    .reset_index()
    .rename(columns={'name':'number_of_places'})
    .sort_values('number_of_places', ascending=False)
) # считаем количество заведений в категории

sns.set_theme(rc={'figure.figsize': (12, 6)}, style='whitegrid')

ax = sns.barplot(data=categories, x='category', y='number_of_places', color='seagreen', alpha=0.7)

plt.title('Распределение заведений по категориям')
plt.xlabel('Категория заведения')
plt.ylabel('Количество заведений')
plt.xticks(rotation=45)
ax.bar_label(ax.containers[0])
plt.show()


fig = go.Figure(data=[go.Pie(labels=categories.category, 
                             values=categories.number_of_places,
                             textinfo = 'value+percent',
                             pull = [0.1, 0])]) 
fig.update_layout(title='Распределение заведений по категориям', 
                  legend_title='Категория заведения')
fig.show('png')


places.seats.describe()

count    4792.000000
mean      108.361436
std       122.841130
min         0.000000
25%        40.000000
50%        75.000000
75%       140.000000
max      1288.000000
Name: seats, dtype: float64


sns.histplot(places.seats, bins=229, alpha=0.8)
plt.title('Распределение посадочных мест')
plt.xlabel('Количество посадочных мест')
plt.ylabel('Количество заведений')
plt.xlim(0, 1300)
plt.xticks(range(0, 1300, 50), rotation=45)
plt.show()


sns.histplot(places[places.seats <= 700].seats, bins=217)
plt.title('Распределение посадочных мест')
plt.xlabel('Количество посадочных мест')
plt.ylabel('Количество заведений')
plt.xlim(0, 700)
plt.xticks(range(0, 700, 20), rotation=45)
plt.show()


(
    places[places.seats <= 700]
    .groupby('category')
    .seats
    .describe()
    .sort_values('50%', ascending=False)
    .style.format('{:.0f}').background_gradient()
)


# считаем медиану посадочных мест по категориям
median_seats = (
    places[places.seats <= 700]
        .groupby('category')
        .agg({'seats': 'median'})
        .reset_index()
        .sort_values('seats', ascending=False)
)


sns.stripplot(x='category', y='seats', data=places[places.seats <= 700], order=median_seats.category.to_list())
plt.title('Диаграмма рассеяния посадочных мест по категориям заведения')
plt.xlabel('Категория заведения')
plt.ylabel('Количество посадочных мест')
plt.show()


sns.violinplot(
    x='category', 
    y='seats', 
    data=places[places.seats <= 700], 
    palette='pastel',
    order=median_seats.category.to_list()
)
plt.title('Violinplot посадочных мест по категориям заведения')
plt.xlabel('Категория заведения')
plt.ylabel('Количество посадочных мест')
plt.show()


ax = sns.barplot(
    data=median_seats,
    x='category',
    y='seats',
    palette='pastel',
    alpha=0.8
)
#plt.title('Медианное количество посадочных мест в заведении по категориям')
plt.xlabel('Категория заведения')
plt.ylabel('Медианное количество посадочных мест')
ax.bar_label(ax.containers[0])
plt.show()


place_types = (
    places.pivot_table(index='chain', values='name', aggfunc='count').reset_index()
)
fig = go.Figure(data=[go.Pie(labels=['Несетевое', 'Сетевое'], 
                             values=place_types.name, 
                             textinfo = 'value+percent',
                             hole=0.5)]) 
fig.update_layout(title='Соотношение сетевых и несетевых заведений',
                  legend_title='Тип заведения')
fig.show('png')


place_types = (
    places
    .pivot_table(index='category', columns='chain', values='name', aggfunc='count')
    .reset_index()
    .rename(columns={0: 'not_a_chain', 1: 'chain'})
)
place_types['total'] = place_types.not_a_chain + place_types.chain
place_types = place_types.sort_values('total', ascending=False)

fig = go.Figure()

fig.add_trace(go.Bar(
    x = place_types.category, 
    y = place_types.not_a_chain, 
    name='Несетевое', 
    text=place_types.not_a_chain
))
fig.add_trace(go.Bar(
    x = place_types.category, 
    y = place_types.chain, 
    name='Сетевое', 
    text=place_types.chain
))
fig.update_layout(barmode='stack',
                 # title='Распределение заведений по категориям и типам',
                  xaxis_title='Категория заведения',
                  yaxis_title='Количество заведений',
                  legend_title='Тип заведения')
fig.show('png')


colors = sns.color_palette('pastel')

for i, cat in enumerate(places.category.unique()):
    plt.subplot(2, 4, i+1)
    plt.pie(
        places[places.category == cat].groupby('chain').name.count(), 
        colors=colors, 
        autopct='%.0f%%', 
        labels=['Несетевое', 'Сетевое'],
    )
    plt.title(cat)
    
plt.show()


chain_places = (
    places[places.chain == 1]
    .category
    .value_counts()
    .reset_index()
    .rename(columns={'category': 'number_of_places', 'index':'category'}))

ax = sns.barplot(chain_places, x='category', y='number_of_places', palette='pastel', alpha=0.8)

plt.title('Количество сетевых заведений по категориям')
plt.xlabel('Категория заведения')
plt.ylabel('Количество заведений')
ax.bar_label(ax.containers[0])
plt.show()


fig = go.Figure(data=[go.Pie(labels=chain_places.category, 
                             values=chain_places.number_of_places, 
                             textinfo = 'value+percent',
                             hole=0.5)]) 
fig.update_layout(title='Распределение по категориям сетевых заведений',
                  legend_title='Категории заведения')
fig.show('png')


top_15 = (
    places[places.chain == 1]
    .name
    .value_counts()
    .head(15)
    .reset_index()
    .rename(columns={'index': 'name', 'name': 'number_of_places'})
)

ax = sns.barplot(top_15, 
                 y='name', 
                 x='number_of_places', 
                 orient='h', 
                 palette='pastel',
                 alpha=0.8
                )

plt.title('Количество заведений в 15 наиболее популярных сетях')
plt.ylabel('Название сети')
plt.xlabel('Количество заведений')
ax.bar_label(ax.containers[0])
plt.show()


top_15_places = (
    places[places.name.isin(top_15.name.to_list())]
    .category
    .value_counts()
    .reset_index()
    .rename(columns={'index': 'category', 'category': 'number_of_places'})
)
fig = go.Figure(data=[go.Pie(labels=top_15_places.category, 
                             values=top_15_places.number_of_places, 
                             textinfo = 'value+percent',
                             hole=0.5)]) 
fig.update_layout(title='Распределение по категориям топ-15 сетевых заведений',
                  legend_title='Категории заведения')
fig.show('png')


districts = (
    places
    .pivot_table(index='district', columns='category', values='name', aggfunc='count')
    .reset_index()
)
districts['total'] = districts.iloc[:, 1:].sum(axis=1)
districts = districts.sort_values('total', ascending=False)
districts.style.background_gradient()


fig = go.Figure()
for cat in districts.columns:
    if cat != 'district' and cat != 'total':
        fig.add_trace(go.Bar(x = districts.district, y = districts[cat], name=cat))

fig.update_layout(barmode='stack',
                  title='Распределение заведений по районам и категориям',
                  xaxis_title='Район',
                  yaxis_title='Количество заведений',
                  legend_title='Категория заведения', 
                  width=950, 
                  height=700
                 )


fig.show('png')


places.rating.describe()

count    8402.000000
mean        4.230017
std         0.470320
min         1.000000
25%         4.100000
50%         4.300000
75%         4.400000
max         5.000000
Name: rating, dtype: float64


places.rating.hist(bins=41)
plt.xticks(np.arange(1.0, 5.0, 0.2))
plt.title('Распределение рейтинга заведений')
plt.xlabel('Рейтинг')
plt.ylabel('Количество заведений')
plt.show()


rating_category = places.groupby('category', as_index=False).rating.mean().sort_values('rating', ascending=False)
rating_category


sns.stripplot(x='category', y='rating', data=places, order=rating_category.category)
plt.title('Диаграмма рассеяния рейтинга по категориям заведения')
plt.xlabel('Категория заведения')
plt.ylabel('Рейтинг')
plt.show()


sns.boxplot(x='category', y='rating', data=places, order=rating_category.category) 
plt.title('Boxplot распределения рейтинга заведений по категориям')
plt.xlabel('Категория заведения')
plt.ylabel('Рейтинг')
plt.show()


ax = sns.barplot(rating_category, 
                 x='category', 
                 y='rating',
                 palette='pastel',
                 alpha=0.8
                )
plt.title('Средний рейтинг заведений по категориям')
plt.xlabel('Категория заведения')
plt.ylabel('Средний рейтинг заведений')
plt.ylim((0, 5))
ax.bar_label(ax.containers[0])
plt.show()


rating_district = places.groupby('district', as_index=False).rating.agg('mean')
rating_district.sort_values('rating', ascending=False).style.format({'rating': '{:.2f}'}).background_gradient()


# загружаем JSON-файл с границами округов Москвы
state_geo = 'admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=rating_district,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам', text=rating_district
).add_to(m)

# выводим карту
m


# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
places.apply(create_clusters, axis=1)

# выводим карту
m


streets = (
    places
    .pivot_table(index='street', columns='category', values='name', aggfunc='count')
)

streets = streets.fillna(0).astype(int).reset_index()
streets['total'] = streets.iloc[:, 1:].sum(axis=1)
streets = streets.sort_values('total', ascending=False).head(15)

streets.style.background_gradient()


fig = go.Figure()
for cat in streets.columns:
    if cat != 'street' and cat != 'total':
        fig.add_trace(go.Bar(x = streets.street, y = streets[cat], name=cat))

fig.update_layout(barmode='stack',
                  title='Распределение заведений по категориям на 15 наиболее популярных улицах',
                  xaxis_title='Улица',
                  yaxis_title='Количество заведений',
                  legend_title='Категория заведения', 
                  width=950, 
                  height=600
                 )

fig.show('png')


streets_with_one_place = (
    places.pivot_table(index='street', values='name', aggfunc='count')
    .reset_index()
    .rename(columns={'name': 'number_of_places'})
)
streets_with_one_place = streets_with_one_place[streets_with_one_place.number_of_places == 1]
streets_with_one_place.shape[0]

457


# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
places[places.street.isin(streets_with_one_place.street.to_list())].apply(create_clusters, axis=1)

# выводим карту
m


# список типов небольших улиц
small_street_types = [
    'проезд', 'сквер', 'переулок', 'парк', 
    'тупик', 'площадь', 'мост', 'аллея',
    'просек', 'тоннель', 'линия', 'дублер'
]


number_of_small_streets = 0
for street_type in small_street_types:
    number_of_small_streets += streets_with_one_place.street.str.contains(street_type).sum()


streets_with_one_place.street.str.contains('улица').sum()

207


fig = go.Figure(data=[go.Pie(labels=['Остальные', 'Небольшие'], 
                             values=[streets_with_one_place.shape[0] - number_of_small_streets, 
                                     number_of_small_streets], 
                             textinfo = 'label+value+percent', 
                             showlegend=False,
                             hole=0.5)]) 
fig.update_layout(title='Типы улиц только с одним заведением')
fig.show('png')


places.middle_avg_bill.describe()

count     3149.000000
mean       958.053668
std       1009.732845
min          0.000000
25%        375.000000
50%        750.000000
75%       1250.000000
max      35000.000000
Name: middle_avg_bill, dtype: float64


fig = px.histogram(places, x="middle_avg_bill")
fig.update_layout(title='Распределение значений среднего чека',
                  xaxis_title='Средний чек, руб.',
                  yaxis_title='Количество заведений')
fig.show('png')


fig = px.box(places[places.middle_avg_bill < 8000], y="middle_avg_bill", x='district', color="district")
fig.update_layout(
    title='Boxplot среднего чека по районам',
    legend_title='Район',
    legend=dict(orientation="h")
)
fig.update_xaxes(visible=False)
fig.update_yaxes(title='Средний чек')
fig.show('png')


(
    places
    .groupby('district')
    .middle_avg_bill
    .describe()
    .sort_values('50%', ascending=False)
    .style.format('{:.1f}').background_gradient()
)


median_bill = (
    places
        .groupby('district')
        .agg({'middle_avg_bill': 'median'})
        .reset_index()
        .sort_values('middle_avg_bill', ascending=False)
)
ax = sns.barplot(
    data=median_bill,
    y='district',
    x='middle_avg_bill', 
    orient='h',
    palette='pastel',
    alpha=0.8
)
plt.title('Медианный средний чек заведении по районам')
plt.xlabel('Медианный средний чек')
plt.ylabel('Район')
ax.bar_label(ax.containers[0])
plt.show()


# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=median_bill,
    columns=['district', 'middle_avg_bill'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Медианный средний чек заведений по районам',
).add_to(m)

# выводим карту
m


# создадим функцию для рассчета расстояния от центра Москвы
def distance_from_the_center(df):
    
    moscow_center = (55.751244, 37.618423)
    place = (df.lat, df.lng)
    
    return geodesic(place, moscow_center).m


# столбец со значениями расстояния от центра Москвы
places['meters_from_the_center'] = places.apply(distance_from_the_center, axis=1)


fig = px.scatter(places[places.middle_avg_bill < 8000],        
                 x='meters_from_the_center',
                 y="middle_avg_bill",  
                 color='district') 

fig.update_layout(title='Зависимость среднего чека от расстояния от центра Москвы',
                   xaxis_title='Расстояние от центра Москвы, м',
                   yaxis_title='Средний чек', 
                   legend_title='Район', 
                   legend=dict(orientation="h")
                 )

fig.show('png')


coffee_houses = places[places.category == 'кофейня']
coffee_houses.name.count()

1413


coffee_houses_district = (
    coffee_houses
    .district
    .value_counts()
    .reset_index()
    .rename(columns={'index': 'district', 'district': 'number_of_places'})
)


fig = go.Figure(data=[go.Pie(labels=coffee_houses_district.district, 
                             values=coffee_houses_district.number_of_places,
                             textinfo = 'value+percent',
                             pull = [0.1, 0])]) 
fig.update_layout(title='Распределение кофеен по районам', 
                  legend_title='Район')
fig.show('png')


# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=coffee_houses_district,
    columns=['district', 'number_of_places'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Количество кофеен по районам',
).add_to(m)

# выводим карту
m


fig = go.Figure(data=[go.Pie(labels=['Круглосуточные', 'Не круглосуточные'], 
                             values=[
                                 coffee_houses[coffee_houses.is_24_7 == True].name.count(), 
                                 coffee_houses[coffee_houses.is_24_7 == False].name.count()
                             ], 
                             textinfo = 'value+percent',
                             hole=0.5)]) 
fig.update_layout(title='Распределение круглосуточных и не круглосуточных кофеен',
                  legend_title='Тип кофейни')
fig.show('png')


fig = go.Figure(data=[go.Pie(
    labels=coffee_houses[coffee_houses.is_24_7 == True].district.value_counts().reset_index()['index'], 
    values=coffee_houses[coffee_houses.is_24_7 == True].district.value_counts().reset_index().district, 
    textinfo = 'value+percent',
    hole=0.5)]
    ) 
fig.update_layout(title='Распределение круглосуточных кофеен по районам',
                  legend_title='Район')
fig.show('png')


coffee_houses.rating.describe()

count    1413.000000
mean        4.277282
std         0.372250
min         1.400000
25%         4.100000
50%         4.300000
75%         4.400000
max         5.000000
Name: rating, dtype: float64


sns.histplot(coffee_houses.rating, bins=28, alpha=0.8)
plt.title('Распределение рейтинга кофеен')
plt.xlabel('Рейтинг')
plt.ylabel('Количество заведений')
plt.show()


coffee_rating = (
    coffee_houses
    .groupby('district')
    .rating
    .describe()
    .sort_values('mean', ascending=False)
)
coffee_rating.style.format('{:.2f}').background_gradient()


sns.boxplot(x='district', y='rating', data=coffee_houses, palette='pastel', order=coffee_rating.index)
plt.title('Boxplot рейтингов кофеен по районам')
plt.xlabel('Район')
plt.ylabel('Рейтинг')
plt.xticks(rotation=90)
plt.show()


# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=coffee_rating.reset_index(),
    columns=['district', 'mean'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний рейтинг кофеен по районам',
).add_to(m)

# выводим карту
m


sns.histplot(coffee_houses.middle_coffee_cup, alpha=0.8)
plt.title('Распределение стоимости чашки капучино')
plt.xlabel('Стоимость, руб.')
plt.ylabel('Количество заведений')
plt.show()


coffee_houses = coffee_houses[coffee_houses.middle_coffee_cup != coffee_houses.middle_coffee_cup.max()]


coffee_houses.middle_coffee_cup.describe()

count    520.000000
mean     172.376923
std       65.767854
min       60.000000
25%      124.000000
50%      169.500000
75%      225.000000
max      375.000000
Name: middle_coffee_cup, dtype: float64


sns.violinplot(data=coffee_houses, y='middle_coffee_cup', color='seagreen')
plt.title('Violinplot стоимости чашки капучино')
plt.ylabel('Стоимость, руб.')
plt.show()


coffee_district = (
    coffee_houses
    .groupby('district')
    .middle_coffee_cup
    .describe()
    .sort_values('50%', ascending=False)
)
coffee_district.style.format('{:.2f}').background_gradient()


fig = px.box(coffee_houses, y="middle_coffee_cup", x='district', color="district", points='all', 
             category_orders={'district': coffee_district.index})
fig.update_layout(
    title='Boxplot средней стоимости чашки капучно по районам',
    legend_title='Район',
    legend=dict(orientation="h")
    
)
fig.update_xaxes(visible=False)
fig.update_yaxes(title='Средняя стоимость чашки капучино, руб.')
fig.show('png')


# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=coffee_district.reset_index(),
    columns=['district', '50%'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Медианная стоимость чашки капучино по районам',
).add_to(m)

# выводим карту
m


# создаём карту Москвы с приближением в Юго-Западном округе
m = Map(location=[55.666764, 37.582121], zoom_start=13)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его на карту
def create_marker(row):
    Marker([row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}"
    ).add_to(m)

# применяем функцию для создания маркера ко всем строкам датафрейма
coffee_houses[coffee_houses.district == 'Юго-Западный административный округ'].apply(create_marker, axis=1)

CircleMarker(
    location=[55.666764, 37.582121],
    radius=100,
    popup="Предполагаемый район",
    color="#3186cc",
    fill=True,
    fill_color="#3186cc",
).add_to(m)       # добавили окружность

# выводим карту
m

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	45.0

	column_name	number_of_na	percent_of_na
0	hours	536	6.38%
1	price	5091	60.56%
2	avg_bill	4590	54.60%
3	middle_avg_bill	5257	62.54%
4	middle_coffee_cup	7871	93.64%
5	seats	3611	42.96%

	count	mean	std	min	25%	50%	75%	max
category
ресторан	1265	118	105	0	48	86	150	675
бар,паб	463	116	110	0	48	80	142	660
кофейня	748	107	107	0	40	80	144	650
столовая	163	93	88	0	40	75	116	625
быстрое питание	348	96	94	0	27	65	136	500
кафе	1212	93	100	0	35	60	115	650
пиццерия	426	92	96	0	30	54	120	625
булочная	148	89	98	0	25	50	120	625

	district	rating
5	Центральный административный округ	4.38
2	Северный административный округ	4.24
4	Северо-Западный административный округ	4.21
8	Южный административный округ	4.18
1	Западный административный округ	4.18
0	Восточный административный округ	4.17
7	Юго-Западный административный округ	4.17
3	Северо-Восточный административный округ	4.15
6	Юго-Восточный административный округ	4.10

	count	mean	std	min	25%	50%	75%	max
district
Западный административный округ	306.0	1053.2	779.0	50.0	427.5	1000.0	1500.0	5250.0
Центральный административный округ	1060.0	1191.1	920.0	0.0	500.0	1000.0	1500.0	7250.0
Северо-Западный административный округ	157.0	822.2	595.1	120.0	340.0	700.0	1100.0	2900.0
Северный административный округ	322.0	928.0	912.6	130.0	350.0	650.0	1250.0	11000.0
Юго-Западный административный округ	235.0	792.6	559.2	100.0	350.0	600.0	1100.0	2750.0
Восточный административный округ	260.0	820.6	850.9	50.0	338.0	575.0	1100.0	10000.0
Северо-Восточный административный округ	301.0	716.6	591.2	50.0	325.0	500.0	950.0	4500.0
Южный административный округ	314.0	834.4	2008.6	100.0	350.0	500.0	1037.5	35000.0
Юго-Восточный административный округ	194.0	654.1	566.8	30.0	281.2	450.0	887.5	3750.0

Table of Contents

Рынок заведений общественного питания Москвы¶

Предобработка данных¶

Анализ данных¶

Категории заведений¶

Количество посадочных мест¶

Соотношение сетевых и несетевых заведений¶

Сетевые заведения¶

Топ-15 популярных сетей¶

Распределение заведений по районам¶

Средний рейтинг¶

Картограмма со средним рейтингом заведений¶

Заведения на карте¶

Топ-15 улиц по количеству заведений¶

Улицы с одним заведением¶

Средний чек¶

Вывод по анализу данных¶

Исследование кофеен¶

Количество кофеен¶

Круглосуточные кофейни¶

Рейтинг кофеен¶

Стоимость чашки капучино¶

Вывод по анализу кофеен¶

Рекомендация для открытия новой кофейни¶

Презентация¶

category	district	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая	total
5	Центральный административный округ	364	50	87	464	428	113	670	66	2242
2	Северный административный округ	68	39	58	234	193	77	188	41	898
8	Южный административный округ	68	25	85	264	131	73	202	44	892
3	Северо-Восточный административный округ	62	28	82	269	159	68	182	40	890
1	Западный административный округ	50	37	62	238	150	71	218	24	850
0	Восточный административный округ	53	25	71	272	105	72	160	40	798
6	Юго-Восточный административный округ	38	13	67	282	89	55	145	25	714
7	Юго-Западный административный округ	38	27	61	238	96	64	168	17	709
4	Северо-Западный административный округ	23	12	30	115	62	40	109	18	409

	category	rating
0	бар,паб	4.387696
5	пиццерия	4.301264
6	ресторан	4.290402
4	кофейня	4.277282
1	булочная	4.268359
7	столовая	4.211429
3	кафе	4.124285
2	быстрое питание	4.050249

category	street	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая	total
837	проспект мира	11	4	21	53	36	11	45	2	183
841	профсоюзная улица	6	4	15	35	18	15	26	3	122
834	проспект вернадского	7	1	12	25	16	12	33	2	108
533	ленинский проспект	10	3	2	26	23	5	33	5	107
531	ленинградский проспект	15	4	2	12	25	9	25	3	95
379	дмитровское шоссе	6	2	10	23	11	8	24	4	88
461	каширское шоссе	2	0	10	20	16	5	19	5	77
304	варшавское шоссе	6	0	7	18	14	4	20	7	76
532	ленинградское шоссе	5	2	5	13	13	3	26	3	70
610	мкад	1	0	9	45	4	0	5	1	65
555	люблинская улица	5	0	5	26	11	1	10	2	60
1076	улица вавилова	2	2	11	15	10	3	12	0	55
523	кутузовский проспект	2	1	2	14	13	3	16	3	54
1231	улица миклухо-маклая	3	0	4	21	4	2	15	0	49
849	пятницкая улица	9	3	2	7	6	3	18	0	48

	count	mean	std	min	25%	50%	75%	max
district
Центральный административный округ	428.00	4.34	0.26	2.30	4.20	4.30	4.40	5.00
Северо-Западный административный округ	62.00	4.33	0.43	2.00	4.20	4.30	4.50	5.00
Северный административный округ	193.00	4.29	0.44	2.00	4.10	4.30	4.50	5.00
Юго-Западный административный округ	96.00	4.28	0.30	3.30	4.10	4.30	4.50	5.00
Восточный административный округ	105.00	4.28	0.38	3.00	4.10	4.30	4.40	5.00
Южный административный округ	131.00	4.23	0.39	2.00	4.10	4.30	4.40	5.00
Юго-Восточный административный округ	89.00	4.23	0.51	2.30	4.10	4.30	4.50	5.00
Северо-Восточный административный округ	159.00	4.22	0.43	1.40	4.10	4.30	4.40	5.00
Западный административный округ	150.00	4.20	0.36	2.30	4.03	4.20	4.38	5.00

	count	mean	std	min	25%	50%	75%	max
district
Юго-Западный административный округ	34.00	184.18	57.54	95.00	129.00	198.00	229.25	291.00
Центральный административный округ	162.00	187.52	67.26	60.00	139.00	190.00	250.00	328.00
Западный административный округ	49.00	189.94	74.23	60.00	130.00	189.00	256.00	300.00
Северо-Западный административный округ	21.00	165.52	60.80	60.00	124.00	165.00	200.00	270.00
Северо-Восточный административный округ	60.00	165.33	63.64	60.00	123.00	162.50	201.25	297.00
Северный административный округ	76.00	165.79	62.67	60.00	133.00	159.00	204.25	325.00
Южный административный округ	43.00	158.49	66.13	60.00	107.50	150.00	202.50	275.00
Юго-Восточный административный округ	34.00	151.09	62.42	60.00	112.50	147.50	173.75	375.00
Восточный административный округ	41.00	140.02	48.00	60.00	105.00	135.00	170.00	256.00